Scale AI galt lange als die unsichtbare Werkbank des KI-Booms, bis ein Scheck über 12,3 Milliarden Euro das ganze Geschäft umkrempelte. Im Juni 2025 kaufte sich Meta knapp die Hälfte des Unternehmens, Gründer Alexandr Wang wechselte zum Konzern, und binnen Tagen kündigten Google und OpenAI ihre Aufträge. Ein Datenlieferant, dessen größtes Kapital seine Neutralität war, verlor ebendiese über Nacht.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Scale AI verdient sein Geld damit, rohe Daten in das aufzubereiten, woraus große Sprachmodelle erst lernen, und genau dieses Geschäft steckt mitten in der größten Umwälzung seiner Geschichte. Der Einstieg von Meta hat die Kundenliste zerrissen, den Umsatzausblick halbiert und eine Frage freigelegt, die der ganzen KI-Branche gilt: Am meisten verdient an der Handarbeit hinter der Hochtechnologie nicht, wer sie leistet.
Das Wichtigste in Kürze
- Meta zahlte 2025 rund 12,3 Milliarden Euro für einen Anteil von 49 Prozent und bewertete Scale AI damit mit knapp 25 Milliarden Euro.
- Das Kerngeschäft ist das Kennzeichnen und Bewerten von Trainingsdaten, erledigt von Hunderttausenden Klickarbeitern über die Plattformen Outlier und Remotasks.
- Nach dem Meta-Einstieg sprangen Großkunden wie Google, OpenAI und xAI ab, der Umsatzausblick für 2026 sackte von rund 1,72 Milliarden auf etwas über 860 Millionen Euro.
- Scale AI baut den Verlust mit Regierungs- und Rüstungsaufträgen sowie einem wachsenden Anwendungsgeschäft um, während ein Lohnprozess die Arbeitsbedingungen seiner Klickarbeiter ins Licht rückt.
Wissenstest vorab: Wie gut kennen Sie die Geldmaschine hinter der KI?
1 Wie viel zahlte Meta 2025 für knapp die Hälfte von Scale AI? Aufklappen ↓
Auflösung aufdecken ↓
2 Womit verdiente Scale AI sein erstes Geld? Aufklappen ↓
Auflösung aufdecken ↓
3 Was taten Großkunden wie Google und OpenAI kurz nach dem Meta-Einstieg? Aufklappen ↓
Auflösung aufdecken ↓
4 Über welche Plattformen rekrutiert Scale AI einen Großteil seiner Klickarbeiter? Aufklappen ↓
Auflösung aufdecken ↓
5 Wie viel Umsatz stellt Scale AI für 2026 in Aussicht? Aufklappen ↓
Auflösung aufdecken ↓
Wer steckt hinter Scale AI und wie fing alles an?
Zwei Studienabbrecher gründeten Scale AI 2016 im Silicon Valley, um ein banales, aber teures Problem zu lösen: Maschinen lernen nur aus Daten, die vorher ein Mensch sauber beschriftet hat. Alexandr Wang, damals 19 und gerade vom Massachusetts Institute of Technology abgesprungen, und seine Mitgründerin Lucy Guo erkannten früh, dass die junge Branche des maschinellen Lernens an genau diesem Nadelöhr hing.
Die erste Idee war unspektakulär und gerade deshalb tragfähig. Start-ups aus dem autonomen Fahren brauchten Millionen von Kamerabildern, auf denen jedes Auto, jeder Fußgänger und jedes Stoppschild markiert war, und Scale lieferte genau diese Fleißarbeit über eine Programmierschnittstelle als Dienstleistung. Ein Entwickler schickte Rohdaten hin und bekam fertig gekennzeichnete Trainingsdaten zurück.
Hinter der schlanken Schnittstelle steckte von Anfang an kein Algorithmus, sondern ein Heer von Menschen. Über die Plattform Remotasks verteilte das Unternehmen die Kleinstaufgaben an Klickarbeiter in den Philippinen, in Kenia, Nigeria und Venezuela, die für wenige Cent pro Bild Objekte umrandeten. Diese Arbitrage zwischen niedrigen Stücklöhnen im globalen Süden und hohen Rechnungen an zahlungskräftige Tech-Konzerne wurde zum Fundament des Modells.
Der Finanzierungsmotor sprang schnell an. Der Y-Combinator nahm Scale 2016 ins Programm, kurz darauf stiegen Accel und Index Ventures ein, später Tiger Global und der Risikokapitalarm von Amazon. Über alle Runden sammelte das Unternehmen nach Angaben des Datendienstes Sacra rund 1,38 Milliarden Euro ein, eine für einen Dienstleister ungewöhnlich hohe Summe.
Wang brachte die passende Biografie für diese Rolle mit. Geboren 1997 in Los Alamos als Sohn zweier Physiker, fiel er früh durch Mathematik- und Programmierwettbewerbe auf, arbeitete als Teenager beim Frage-und-Antwort-Portal Quora und lernte dort Lucy Guo kennen, bevor beide ihr Studium abbrachen. Diese Herkunft aus der technischen Elite öffnete ihm die Türen zu Investoren und frühen Kunden gleichermaßen.
Die ersten großen Aufträge kamen aus der Autoindustrie. Firmen wie Cruise, Toyota und nuTonomy ließen bei Scale die Bilddaten für ihre Fahrassistenten aufbereiten, weil interne Teams an der schieren Masse scheiterten. Diese frühe Spezialisierung auf sicherheitskritische Daten verschaffte dem jungen Unternehmen einen Ruf für Genauigkeit, der später beim Sprung zu den Sprachmodellen half.
Wang inszenierte sich dabei als Wunderkind einer Branche, die Wunderkinder liebt. Lucy Guo verließ das Unternehmen bereits 2018 nach einem Zerwürfnis über die Produktstrategie, während Wang die Alleinherrschaft übernahm und Scale konsequent vom Nischendienstleister zum Infrastrukturanbieter für die gesamte KI-Wirtschaft ausbaute. Diese Weichenstellung sollte sich als die folgenreichste seiner Karriere erweisen.
- Nadelöhr erkannt: Scale AI verdient seit 2016 daran, dass Maschinen nur aus von Hand beschrifteten Daten lernen.
- Mensch statt Maschine: Die schlanke Schnittstelle verbirgt ein weltweites Heer billig bezahlter Klickarbeiter.
- Kapitalstark: Rund 1,38 Milliarden Euro Risikokapital machten aus dem Dienstleister einen Infrastrukturanbieter.
Wie wurde aus einer Annotationsfirma ein 25-Milliarden-Konzern?
Der entscheidende Sprung kam, als sich das Annotationsgeschäft vom autonomen Fahren auf generative Sprachmodelle verlagerte und Scale AI vom Bildmarkierer zum Zulieferer der gesamten KI-Elite aufstieg. Zwischen 2022 und 2025 vervielfachte sich der Umsatz, weil plötzlich jedes Labor dieselbe knappe Ressource brauchte: von Menschen bewertete Antworten, an denen ein Sprachmodell lernt, was eine gute Antwort ist.
Diese Technik heißt bestärkendes Lernen aus menschlichem Feedback, kurz RLHF, und sie wurde zum Goldstandard hinter Chatbots wie ChatGPT. Scale AI lieferte die Fachleute, die Modellantworten vergleichen, bewerten und korrigieren, und verlangte dafür deutlich höhere Preise als für simples Bildmarkieren. Der Umsatz kletterte laut Sacra von Schätzungen um 250 Millionen Euro im Jahr 2022 auf rund 748 Millionen Euro im Jahr 2024.
Parallel wuchs die Bewertung in Sprüngen. Eine Finanzierungsrunde hob das Unternehmen 2023 auf knapp zwölf Milliarden Euro, ein Aktienrückkauf Anfang 2025 bereits auf rund 21,5 Milliarden Euro. Die Investoren wetteten darauf, dass Scale zur unverzichtbaren Mautstelle des KI-Verkehrs werde, an der jedes Modell vorbeimüsse.
Den Höhepunkt markierte der Juni 2025. Meta übernahm für rund 12,3 Milliarden Euro einen Anteil von 49 Prozent und bewertete Scale AI damit mit knapp 25 Milliarden Euro, nach anderen Lesarten sogar mit 29 Milliarden Dollar. Konzernchef Mark Zuckerberg kaufte sich damit nicht nur Datenkompetenz, sondern vor allem den Gründer: Alexandr Wang wechselte samt einem Teil seines Teams zu Meta und übernahm dort die Leitung der neuen Superintelligence Labs.
Zwischen den großen Finanzierungsrunden lag eine gefährliche Durststrecke. Als die Euphorie um das autonome Fahren um 2019 abkühlte, drohte dem Annotationsgeschäft die Luft auszugehen, und Scale begann, parallel ein Standbein im Regierungs- und Verteidigungssektor aufzubauen. Dieser frühe Kurswechsel rettete das Unternehmen über die Flaute und legte den Grundstein für das Behördengeschäft, das heute die weggefallenen Laborkunden ersetzt.
Der eigentliche Wendepunkt kam Ende 2022 mit dem öffentlichen Erfolg von ChatGPT. Plötzlich wollte jedes Labor Sprachmodelle mit menschlichem Feedback verfeinern, und Scale saß als erfahrener Vermittler menschlicher Urteilskraft genau an der richtigen Stelle. Innerhalb von zwei Jahren verdoppelte sich der Umsatz laut Sacra auf einen Jahreslauf von rund 1,29 Milliarden Euro, und Wang avancierte zur öffentlichen Stimme der Branche, die vor dem US-Kongress zur KI-Konkurrenz mit China aussagte.
Die Bewertungssprünge folgten dieser Nachfrage auf dem Fuß. Schon 2021 hob eine Finanzierungsrunde das Unternehmen auf gut sechs Milliarden Euro, damals noch getragen vom autonomen Fahren, bevor die Sprachmodelle die Zahlen in ganz andere Höhen trieben. Jede dieser Runden verschaffte Scale frisches Kapital, um sein Arbeiternetz auszubauen und neue Kunden mit Kampfpreisen zu ködern.
Die Konstruktion des Deals war juristisch fein austariert. Meta hält einen stimmrechtslosen Minderheitsanteil, Scale bleibt formal eigenständig, und genau diese Bauweise sollte die Kartellwächter fernhalten. Zum neuen operativen Chef rückte Jason Droege auf, ein früherer Gründer von Uber Eats, der die Neuausrichtung des angeschlagenen Geschäfts verantworten muss.
Wie verdient Scale AI tatsächlich sein Geld?
Scale AI zieht seine Marge aus vier Töpfen: dem klassischen Datenlabeling, dem höherwertigen Bewerten von Modellantworten, einem jungen Anwendungsgeschäft und zunehmend aus Regierungs- und Rüstungsverträgen. Das Unternehmen ist nicht börsennotiert und legt keine geprüften Segmentzahlen vor, weshalb die folgende Aufschlüsselung auf Analysen von Sacra, The Information und Forbes beruht und als Einordnung zu lesen ist.
Die Hauptumsatzquelle war lange das Geschäft mit gekennzeichneten Trainingsdaten, das Sacra bis 2024 als profitablen Kern beschreibt. Hier liefert Scale nach Bedarf abgerechnete Leistungen, von der einfachen Bildmarkierung bis zur komplexen Bewertung ganzer Dialoge, und erzielt nach eigenen Angaben eine Bruttomarge von über 50 Prozent. Die eigentliche Wertschöpfung ist die Organisation der Klickarbeit, nicht die Technik dahinter.
Ein zweiter, zunächst versteckter Erlösstrom wuchs im zweiten Halbjahr 2025 rasant: das Anwendungsgeschäft. Unter dem Interimschef Droege verkauft Scale fertige KI-Lösungen an Unternehmen statt bloßer Rohdaten, und dieser Bereich erreichte laut Axios bis September 2025 einen Jahreslauf von rund 170 bis 260 Millionen Euro. Scale will diese Sparte binnen 18 Monaten größer werden lassen als das angestammte Datenlabeling.
Dahinter steckt eine bewusste Flucht nach vorn. Ein reiner Datenlieferant bleibt austauschbar und preisgetrieben, während ein Anbieter fertiger Lösungen die Kunden enger bindet und stabilere Erträge erzielt. Diese Aufwertung der Wertschöpfung ist die strategische Wette des Interimschefs Droege, der Scale vom reinen Datenzulieferer zum Anbieter kompletter KI-Anwendungen umbauen will.
Das Behördengeschäft entwickelte sich dabei zum stillen Gewinner. Interimschef Droege sprach von einem Rekordquartal im öffentlichen Sektor, in dem gleich mehrere Aufträge im neunstelligen Bereich eingingen, und kündigte an, das internationale Geschäft mit Regierungen 2026 erneut zu verdoppeln. Diese Verlagerung hin zum Staat ist die wichtigste Antwort auf den Wegfall der kommerziellen Großkunden.
Bei den Datenströmen unterscheidet sich Scale AI fundamental von Plattformen wie Meta oder Google, die eigene Nutzerdaten verwerten. Scale besitzt keine Endkundendaten, sondern veredelt die Daten seiner Auftraggeber und gibt sie zurück. Der eigentliche Rohstoff ist das Urteilsvermögen der Klickarbeiter, das in Form von Bewertungen, Rangfolgen und Korrekturen in die Modelle der Kunden fließt und dort bleibt.
Genau diese Konstruktion erzeugt eine heikle Margen-Asymmetrie. Das einfache Labeling bringt viel Umsatz, aber wenig Gewinn je Stunde, während die teure RLHF-Bewertung und die neuen Anwendungen deutlich höhere Aufschläge erlauben. Die profitabelste Einheit ist inzwischen das Behördengeschäft, das planbare, langfristige Verträge mit hohen Volumina liefert.
Quersubventionen spielen bei Scale eine strategische Rolle. Billige Einstiegsaufträge im Labeling dienen als Türöffner, um Kunden anschließend teurere Bewertungs- und Anwendungsleistungen zu verkaufen, ein klassisches Cross-Selling. Das Regierungsgeschäft wiederum finanziert die Durststrecke, die der Wegfall der großen Laborkunden gerissen hat.
Skaleneffekte entstehen weniger bei den Löhnen, die mit jedem Auftrag mitwachsen, als bei der Software, die Millionen Kleinstaufgaben verteilt, prüft und abrechnet. Je größer das Netz der Klickarbeiter, desto schneller lassen sich große Aufträge abarbeiten, was wiederum große Kunden anzieht. Dieser Netzwerkeffekt war lange der Burggraben von Scale, bröckelt aber, seit Wettbewerber denselben Pool anzapfen.
Ein margenstarker Nebenzweig wächst aus der Bewertung selbst heraus. Mit seiner Einheit für Modellprüfung betreibt Scale öffentliche Ranglisten und maßgeschneiderte Tests, an denen Labore ihre Modelle messen lassen, und verkauft damit Vertrauen in Form von Benchmarks. Diese Gutachterrolle bringt vergleichsweise wenig Umsatz, verschafft dem Unternehmen aber eine Position als scheinbar neutrale Instanz, die nach dem Meta-Einstieg ebenfalls infrage steht.
Die Preissetzung folgt dabei einem simplen Hebel: je spezialisierter das Urteil, desto höher der Aufschlag. Ein Fachmann, der juristische oder medizinische Modellantworten prüft, kostet ein Vielfaches eines einfachen Bildmarkierers, und genau diese teuren Leistungen treiben die Marge. Scale verlagert sein Gewicht deshalb konsequent vom Massengeschäft zur knappen Expertise, die sich schlechter automatisieren lässt.
In den vergangenen fünf Jahren hat sich das Modell spürbar verschoben. Aus dem Bilddatenlieferanten fürs autonome Fahren wurde erst der RLHF-Zulieferer der Sprachmodell-Ära und schließlich ein hybrider Anbieter aus Daten, Anwendungen und Rüstungssoftware. Die jüngste Verschiebung weg von den Laborkunden hin zu Behörden ist keine freie Wahl, sondern die Antwort auf den Vertrauensverlust nach dem Meta-Einstieg.
| Erlösstrom | Was verkauft wird | Margenprofil |
|---|---|---|
| Datenlabeling | gekennzeichnete Bild- und Textdaten | hoher Umsatz, mittlere Marge |
| RLHF-Bewertung | menschliches Feedback für Sprachmodelle | höhere Marge, knappe Fachkräfte |
| Anwendungen | fertige KI-Lösungen für Unternehmen | wachsend, noch jung |
| Behörden und Rüstung | Datendienste und Software für den Staat | planbar, höchste Bindung |
Wie groß ist die Marktmacht von Scale AI?
Scale AI war bis 2025 der mit Abstand größte unabhängige Datenlieferant der KI-Branche, doch der Meta-Einstieg hat diese Vormacht innerhalb weniger Wochen angeknackst. Der Markt für Trainingsdaten ist jung, intransparent und hart umkämpft, und die Position des Marktführers hing stärker an seiner Neutralität, als dem Unternehmen lieb sein konnte.
Lange galt Scale als gesetzter Standard. Jedes Labor, das ein Spitzenmodell baute, arbeitete mit Scale, weil niemand sonst so viele geschulte Klickarbeiter so schnell mobilisieren konnte. Diese Reichweite erzeugte einen Lock-in, denn ein Wechsel des Datenpartners bedeutet, eingespielte Prozesse, Qualitätsstandards und Schnittstellen neu aufzusetzen.
Die Wechselkosten waren lange Scales stärkster Schutz. Ein Labor, das seine Qualitätsmaßstäbe, Schnittstellen und eingespielten Prüfteams über Jahre auf einen Partner zugeschnitten hat, wechselt nicht über Nacht, weil jeder Neuaufbau Wochen kostet und die Modellqualität gefährdet. Genau dieser Umstellungsaufwand hielt die Kunden bei der Stange, bis der Interessenkonflikt schwerer wog als die Mühe des Wechsels.
Der Lock-in hielt genau so lange, bis ein größerer Konflikt ihn aufwog. Als Meta einstieg, wurde aus dem neutralen Dienstleister der Zulieferer eines direkten Rivalen, und Kunden wie Google, OpenAI und der Musk-Konzern xAI zogen binnen Tagen ihre Aufträge ab. Google allein soll zuvor rund 129 Millionen Euro im Jahr bei Scale ausgegeben haben und war damit der größte Einzelkunde.
In die Lücke stießen sofort die Wettbewerber. Das bootstrap-finanzierte Surge AI meldete für 2024 über eine Milliarde Dollar Umsatz und damit mehr als Scale, während die jüngeren Anbieter Mercor und Turing ebenfalls abgesprungene Kunden einsammelten. Der vermeintlich uneinnehmbare Markt erwies sich als erstaunlich bestreitbar, sobald der Platzhirsch seine Unabhängigkeit verlor.
Besonders bemerkenswert ist das Tempo der Gegenbewegung. Surge AI wuchs nach Angaben von Branchenbeobachtern ohne nennenswertes externes Kapital auf und nahm erst im Juli 2025 erstmals Investorengeld an, also genau in dem Moment, als Scale-Kunden nach Alternativen suchten. Dieser Zeitpunkt zeigt, wie schnell ein strategischer Fehler des Marktführers die ganze Rangordnung verschiebt.
Die jüngeren Herausforderer setzen zudem auf andere Schwerpunkte. Mercor vermittelt hochqualifizierte Fachleute für anspruchsvolle Bewertungen, Turing verbindet Datenarbeit mit Softwareentwicklung, und beide werben damit, gerade nicht an einem der großen Modellkonzerne zu hängen. Genau diese demonstrative Neutralität ist zum schärfsten Verkaufsargument gegen Scale geworden.
Auch die Rolle als vermeintlich unabhängiger Prüfer leidet unter dem Deal. Sobald ein Anbieter Modelle bewertet und zugleich knapp zur Hälfte einem der bewerteten Konzerne gehört, verliert jede Rangliste an Glaubwürdigkeit, so sauber die Methodik auch sein mag. Dieser Interessenkonflikt trifft Scale doppelt, weil er nicht nur das Datengeschäft, sondern auch das mühsam aufgebaute Ansehen als Schiedsrichter der Branche beschädigt.
Kartellrechtlich bewegt sich der Deal in einer Grauzone. Die stimmrechtslose Minderheitsbeteiligung war bewusst so konstruiert, dass sie keine klassische Fusionskontrolle auslöst, doch die US-Handelsaufsicht und Beobachter in Brüssel prüfen solche Quasi-Übernahmen inzwischen genauer. Scale AI hält formal die Unabhängigkeit hoch, die ihm im Markt praktisch niemand mehr abnimmt.
- Marktführer mit Rissen: Scale war der größte unabhängige Datenlieferant, bis Meta die Neutralität kippte.
- Kundenflucht: Google, OpenAI und xAI gingen binnen Tagen, Surge, Mercor und Turing sprangen ein.
- Grauzone: Der stimmrechtslose Anteil umgeht die klassische Fusionskontrolle, zieht aber Aufsicht an.
Wer ist bei Scale AI eigentlich das Produkt?
Das eigentliche Produkt von Scale AI ist die gebündelte Urteilskraft Hunderttausender Klickarbeiter, die über die Plattformen Outlier und Remotasks weltweit Kleinstaufgaben erledigen. Von unten betrachtet zeigt die Wertschöpfungskette schnell ihr wahres Gesicht: Die glänzende KI-Infrastruktur ruht auf sehr viel menschlicher Handarbeit zu sehr niedrigen Löhnen.
Die Arbeitsteilung ist klar verteilt. Die Tech-Konzerne zahlen, Scale organisiert und kassiert die Marge, und am unteren Ende sitzen die Klickarbeiter, die Bilder umranden, Texte bewerten und Modellantworten korrigieren. Diese Arbeitenden sind zugleich Zulieferer und Rohstoff, denn ihr Urteil ist das, was am Ende verkauft wird.
Die Größenordnung dieser Belegschaft ist beachtlich. Über die Jahre meldeten sich nach Branchenangaben Hunderttausende Menschen bei Remotasks und dem später aufgesetzten Portal Outlier an, von denen je nach Auftragslage viele Zehntausend gleichzeitig aktiv sind. Diese flexible Reservearmee lässt sich binnen Stunden hoch- und herunterfahren, was Scale die Geschwindigkeit verschafft, mit der es große Kunden beeindruckt.
Geografisch verläuft eine scharfe Trennlinie. Die gut bezahlten Fachleute für anspruchsvolle Bewertungen sitzen oft in den USA oder Europa, die Masse der einfachen Aufgaben wandert in die Philippinen, nach Kenia, Nigeria und Venezuela. Diese Staffelung der Löhne nach Herkunft ist kein Nebeneffekt, sondern das betriebswirtschaftliche Kernprinzip.
Die Klickarbeiter erleben Scale selten als Arbeitgeber, sondern als App. Über Outlier oder Remotasks melden sich die Arbeitenden an, bekommen Aufgaben zugeteilt, werden per Software überwacht und pro erledigtem Mikrojob bezahlt. Formal sind sie Selbstständige, praktisch hängen sie an einem algorithmisch gesteuerten Fließband ohne Kündigungsschutz und ohne feste Zusagen.
Die Qualität des Endprodukts hängt direkt an dieser Belegschaft. Ein Sprachmodell wird nur so klug wie die Bewertungen, die es formen, weshalb schlecht bezahlte oder überhastete Klickarbeit sich unmittelbar in schlechteren Modellen niederschlägt. Diese Abhängigkeit erklärt, warum Scale für anspruchsvolle Aufgaben zunehmend promovierte Fachleute anwirbt und ihnen deutlich höhere Sätze zahlt als der Masse der Gelegenheitsarbeiter.
Kritiker nennen dieses Fundament die Schattenseite der glänzenden KI. Eine US-Klageschrift beschrieb Scale AI als den unappetitlichen Maschinenraum der Branche, in dem moderne Akkordarbeit unter dem Deckmantel der Selbstständigkeit stattfinde. Ob man dieser Zuspitzung folgt oder nicht, bleibt der Befund eindeutig: Ohne diese menschliche Kleinarbeit gäbe es keinen der gefeierten Chatbots.
Für den typischen Dr.-Web-Leser lohnt der Perspektivwechsel. Jede Nutzung eines Sprachmodells konsumiert mittelbar die Arbeit dieser unsichtbaren Belegschaft, deren Namen in keiner Bilanz auftauchen. Die Wertschöpfung beginnt nicht im Rechenzentrum, sondern an Zehntausenden privaten Laptops im globalen Süden.
Was kostet KI-Training wirklich, und wer trägt die Kosten?
Der Listenpreis einer einzelnen Annotation wirkt mit wenigen Cent lächerlich klein, doch in der Masse summieren sich Millionen solcher Mikrojobs zu Rechnungen in Millionenhöhe, und der größte Kostenblock ist schlecht bezahlte menschliche Arbeit. Scale AI rechnet wahlweise pro Stück ab, etwa rund 0,017 Euro je einfaches Bild und rund 0,05 Euro je komplexe Annotation, oder über jährliche Pauschalverträge mit großen Kunden.
Die Preisbildung folgt der Komplexität. Ein simples Objekt auf einem Foto umranden kostet Bruchteile eines Cents, während die fachkundige Bewertung einer juristischen oder medizinischen Modellantwort ein Vielfaches einbringt. Dieser Aufschlag für Expertise ist der Grund, warum Scale das margenschwache Bildlabeling zunehmend gegen teure Spezialbewertungen eintauscht.
Zwischen dem, was der Kunde zahlt, und dem, was beim Klickarbeiter ankommt, klafft eine große Lücke. Nach Angaben aus mehreren US-Sammelklagen kam der effektive Stundenlohn einzelner Arbeitender auf rund 12,90 Euro, wobei unbezahlte Einarbeitung und Wartezeiten die reale Vergütung weiter drückten. Die Differenz zwischen Rechnung und Lohn ist die eigentliche Quelle der Bruttomarge.
Versteckte Folgekosten trägt vor allem die Belegschaft am unteren Ende. Klickarbeiter berichten von zurückgehaltenen Zahlungen, plötzlich gesperrten Konten und der permanenten Überwachung von Mausbewegungen und Browserverläufen. Diese Reibungsverluste erscheinen in keiner Rechnung, mindern aber den real erzielten Lohn erheblich.
Für Unternehmenskunden sieht die Rechnung völlig anders aus. Diese Abnehmer verhandeln Mengenrabatte, Service-Zusagen und feste Durchlaufzeiten, sodass der Stückpreis pro Annotation mit wachsendem Volumen sinkt und die Kostenlast planbar wird. Diese Staffelung nach Abnahmemenge bevorzugt finanzstarke Großkunden und macht es kleineren Abnehmern schwer, zu vergleichbaren Konditionen an saubere Trainingsdaten zu kommen.
Die Rechnungsstruktur verschleiert diese Verhältnisse zusätzlich. Große Kunden zahlen selten pro Stück, sondern schließen jährliche Rahmenverträge über zweistellige Millionenbeträge ab, in denen der einzelne Mikrojob vollständig verschwindet. Diese Pauschalierung macht es für Außenstehende nahezu unmöglich, nachzuvollziehen, wie viel Geld tatsächlich bei den Menschen ankommt, die die Daten aufbereiten.
Wie groß die Lücke ist, zeigte erst der Gang vor Gericht. In den Sammelklagen beschrieben Arbeitende, dass sie rund zehn Stunden aufwendeten, aber nur fünf vergütet bekamen, weil das Lesen von Anweisungen und das Warten auf Freigaben unbezahlt blieb. Genau dieser Teil der Arbeitszeit verschwindet in keiner Rechnung und drückt den realen Stundenlohn weit unter den ohnehin niedrigen Nominalwert.
Am Ende lässt sich klar benennen, wer zahlt. Die Tech-Konzerne tragen die sichtbaren Kosten, doch ein erheblicher Teil der Last wird auf die Klickarbeiter im globalen Süden verschoben, die das unternehmerische Risiko als vermeintlich Selbstständige mittragen. Der Endnutzer eines Chatbots spürt von dieser Kostenverschiebung nichts.
| Kostenbestandteil | Wer trägt ihn | Anteil am Preis |
|---|---|---|
| Klickarbeit (Löhne) | Klickarbeiter im globalen Süden | größter Einzelblock |
| Plattform und Software | Scale AI | mittel, stark skalierend |
| Qualitätskontrolle | Scale AI und Fachprüfer | mittel |
| Marge | Scale AI und Eigner | über 50 Prozent brutto |
Wer profitiert und wer zahlt drauf?
Am Aufstieg von Scale AI verdienten vor allem Gründer Alexandr Wang, die frühen Risikokapitalgeber und am Ende Meta, während die Klickarbeiter und die abgesprungenen Kunden draufzahlen. Der Meta-Deal machte Wang mit Anfang zwanzig zum Milliardär und bescherte Investoren wie Accel und Tiger Global eine Rendite, von der die meisten Wagniskapitalgeber nur träumen.
Auf der Gewinnerseite steht eine kleine Gruppe. Wang sitzt heute an der Spitze von Metas Superintelligence Labs, die Altinvestoren verbuchten beim Einstieg eine Bewertung von knapp 25 Milliarden Euro, und die verbliebenen Angestellten mit Anteilen profitierten vom Teilverkauf. Diese Eigentümer haben ihren Einsatz vervielfacht, unabhängig davon, wie es mit dem operativen Geschäft weitergeht.
Auf der Verliererseite drängen sich mehr Beteiligte. Die Klickarbeiter kämpfen um faire Löhne und sahen im Juli 2025 rund 200 Festangestellte und etwa 500 Vertragskräfte ihre Aufträge verlieren, als Scale nach dem Kundenschwund den Rotstift ansetzte. Für diese Peripherie des Geschäfts bedeutet jede strategische Kurskorrektur konkrete Einkommensverluste.
Auch die abgesprungenen Kunden zahlen einen Preis. Google, OpenAI und andere mussten binnen Wochen neue Datenpartner aufbauen, Prozesse umstellen und Qualitätsrisiken in Kauf nehmen, nur um nicht länger einen Meta-nahen Zulieferer zu füttern. Dieser erzwungene Umzug kostete Zeit und Geld, die sonst in die Modellentwicklung geflossen wären.
Für Meta rechnete sich der Einsatz vor allem als Personalcoup. Der Konzern zahlte Milliarden weniger für die Technik als für den Zugriff auf Wang und sein Umfeld, die fortan die Superintelligence Labs leiten, während das operative Geschäft von Scale zur Nebensache geriet. Dieser Einkauf von Köpfen statt Produkten ist ein Muster, das in der KI-Branche seit 2025 Schule macht und ganze Teams zu begehrter Beute werden lässt.
Die Verlierer sitzen derweil leiser im Bild. Als der Umsatzausblick einbrach, strich Scale im Juli 2025 rund 200 Stellen und beendete die Aufträge von etwa 500 Vertragskräften, ohne dass dies dieselbe Aufmerksamkeit fand wie Wangs Wechsel. Diese stille Anpassung trifft genau jene, die am wenigsten vom Aufstieg profitiert hatten.
Hier zeigt sich ein Muster, das an den Plattform-Fluch anderer Digitalmärkte erinnert. Ein einmal tief in ein Ökosystem eingearbeiteter Kunde akzeptiert lange schlechtere Konditionen, bevor der Bruch kommt, und zahlt beim Ausstieg doppelt. Die Abhängigkeit war für Scale jahrelang ein Vorteil und wurde nach dem Meta-Einstieg zur größten Schwäche.
| Beteiligte | Rolle | Bilanz |
|---|---|---|
| Alexandr Wang | Gründer, jetzt bei Meta | klarer Gewinner |
| Frühe Investoren | Accel, Tiger Global, Amazon | hohe Rendite beim Einstieg |
| Klickarbeiter | Outlier und Remotasks | niedrige Löhne, Entlassungen |
| Ex-Großkunden | Google, OpenAI, xAI | erzwungener Partnerwechsel |
Scale AI hat vorgemacht, dass im KI-Goldrausch nicht der Schürfer reich wird, sondern der Verkäufer der Schaufeln. Der Meta-Deal zeigt die Kehrseite: Wer seine Schaufeln nur einem Lager verkauft, verliert alle anderen Kunden an einem einzigen Tag.
— Markus Seyfferth, Chefredakteur Dr. Web
Wie politisch ist Scale AI?
Scale AI ist längst kein reiner Techniklieferant mehr, sondern ein politischer Akteur, der mit dem Pentagon Rüstungssoftware baut und zugleich vor Gericht um die Einstufung seiner Klickarbeiter streitet. Das Regierungsgeschäft ist zum strategischen Rettungsanker geworden, seit die kommerziellen Großkunden nach dem Meta-Einstieg abgesprungen sind.
Der Staat ist inzwischen ein Schlüsselkunde. Scale sicherte sich einen Verteidigungsauftrag für das Programm Thunderforge im Volumen von rund 430 Millionen Euro und beteiligt sich an einer milliardenschweren Initiative zur Raketenabwehr. Diese Verträge liefern genau die planbaren, langfristigen Einnahmen, die das schwankende Laborgeschäft nicht mehr hergibt.
Der Zugang zu diesen Aufträgen ist selbst ein Wettbewerbsvorteil. Sicherheitsfreigaben, zertifizierte Abläufe und bestehende Kontakte im Verteidigungsapparat lassen sich nicht über Nacht aufbauen, weshalb ein einmal etablierter Anbieter schwer zu verdrängen ist. Diese Eintrittsbarriere schützt Scale im Staatsgeschäft weit besser als im offenen Markt der Laborkunden, wo ein einziger Deal die Kundenliste leerfegte.
Parallel wächst der juristische Druck von der anderen Seite. Scale AI stimmte 2026 einem Vergleich über rund 10,8 Millionen Euro zu, um Vorwürfe beizulegen, es habe seine Datenarbeiter zu Unrecht als Selbstständige eingestuft und um Lohn gebracht. Der kalifornische Gerichtsstand billigte den Vergleich vorläufig, weitere Klagen und Beschwerden bei US-Behörden laufen noch.
Die Gleichzeitigkeit ist bemerkenswert. Während Scale sich als verlässlicher Partner der nationalen Sicherheit positioniert, kämpft es an der Heimatfront mit Vorwürfen zu Arbeitsbedingungen, die eine Klageschrift als Kehrseite der ganzen Branche beschrieb. Dieser Spagat zwischen Staatsauftrag und Ausbeutungsvorwurf prägt die öffentliche Wahrnehmung des Unternehmens.
Das Verteidigungsgeschäft reicht dabei weit über einen einzelnen Auftrag hinaus. Mit Thunderforge liefert Scale Software für die militärische Einsatzplanung und arbeitet dafür mit Partnern wie dem Rüstungs-Start-up Anduril und großen Cloud-Anbietern zusammen, während ein eigens abgesichertes Sprachmodell für Verschlusssachen den Namen Defense Llama trägt. Diese Tiefe der Einbindung macht Scale zu einem festen Bestandteil der amerikanischen Sicherheitsarchitektur.
Gerade diese Rolle verträgt sich schlecht mit dem Ruf als Ausbeuter. Während Scale sich in Washington als Garant technologischer Überlegenheit präsentiert, laufen parallel Beschwerden bei US-Behörden zu Löhnen und Arbeitsbedingungen, und Arbeitsrechtler nutzen den Fall als Musterbeispiel für die Schattenwirtschaft der KI. Diese Doppelrolle dürfte die politische Aufmerksamkeit eher vergrößern als beruhigen.
Für Europa ist die Nähe zum US-Verteidigungsapparat ein Warnsignal. Ein Datendienstleister, der tief in militärische Projekte der Vereinigten Staaten eingebunden ist und mehrheitsnah an Meta hängt, ist für europäische Kunden kaum ein neutraler Partner. Diese Verflechtung verschärft die ohnehin heikle Frage der digitalen Souveränität.
- Staat als Retter: Rüstungsaufträge wie Thunderforge (rund 430 Mio. €) ersetzen weggefallene Laborkunden.
- Lohnstreit: Ein Vergleich über rund 10,8 Mio. € soll Vorwürfe der Scheinselbstständigkeit beilegen.
- Souveränitätsfrage: Die Nähe zu US-Militär und Meta macht Scale für Europa zum Risikopartner.
Was könnte Scale AI zu Fall bringen?
Die größten Risiken für Scale AI sind der anhaltende Kundenschwund, die wachsende Abhängigkeit von Meta und die Gefahr, dass synthetische Daten und günstigere Wettbewerber das teure Handlabeling überflüssig machen. Jedes dieser Risiken für sich wäre beherrschbar, doch gemeinsam bedrohen sie das Fundament des Geschäfts.
Das akuteste Problem bleibt der Vertrauensverlust. Solange Scale als verlängerter Arm von Meta gilt, werden konkurrierende Labore ihre wertvollen Trainingsdaten meiden, und der Umsatzausblick für 2026 von gut 860 Millionen Euro belegt das Ausmaß. Dieser Aderlass lässt sich nur schwer umkehren, weil verlorenes Vertrauen selten zurückkehrt.
Technologisch droht Gefahr von zwei Seiten. Immer mehr Labore erzeugen künstliche Trainingsdaten per Software oder lassen Modelle sich gegenseitig bewerten, was den Bedarf an teurer Handarbeit senkt. Zugleich bieten offene Ökosysteme wie die Modellplattform Hugging Face frei verfügbare Datensätze, die einen Teil des Marktes von unten aushöhlen.
Die Ironie dieser Entwicklung liegt auf der Hand. Ausgerechnet die Sprachmodelle, die Scale mit menschlichem Feedback erst großziehen half, erzeugen heute selbst brauchbare Trainingsdaten und untergraben damit die Geschäftsgrundlage ihres früheren Lehrmeisters. Dieser Selbstlauf der Technik bedroht das Handlabeling stärker als jeder einzelne Wettbewerber, weil er die teuerste Zutat des Geschäfts infrage stellt.
Die Abhängigkeit von einem einzigen Großaktionär ist das dritte Risiko. Meta hält knapp die Hälfte, stellt aber längst nicht die Hälfte des Umsatzes, weshalb Scale betriebswirtschaftlich auf eigene Kunden angewiesen bleibt. Gerät Meta unter Druck oder ändert seine Strategie, trifft das den Zulieferer unmittelbar.
Hinzu kommt eine gefährliche Ballung auf der Kundenseite. Nachdem die großen Labore abgesprungen sind, hängt ein wachsender Anteil des Umsatzes an wenigen Behörden und an Meta selbst, was die Abhängigkeit von einzelnen Großabnehmern erhöht statt sie zu streuen. Diese Konzentration kehrt das alte Stärkeversprechen um, denn der Wegfall eines einzigen Schlüsselkunden wöge nun noch schwerer als zuvor.
Pikant wird die Lage durch die Doppelrolle des Großaktionärs. Meta wurde durch den Einstieg selbst zu einem wichtigen Abnehmer, doch ein Konzern, der knapp die Hälfte hält und zugleich die Rechnungen begleicht, verhandelt aus einer Position der Stärke. Dieses Kräfteverhältnis drückt langfristig auf die Preise, die Scale gegenüber seinem mächtigsten Eigner überhaupt durchsetzen kann.
Ein viertes Risiko ist der Verlust der prägenden Figur. Mit Alexandr Wang ging nicht nur ein Name, sondern das Gesicht, das Investoren und Kunden jahrelang angezogen hatte, und Interimschef Droege muss die Firma ohne diesen Magneten neu erfinden. Dieser Aderlass an Führung fällt mit dem Kundenschwund zusammen und verstärkt die Unsicherheit über den künftigen Kurs.
Gegen den Abstieg sprechen allerdings handfeste Argumente. Das Behördengeschäft wächst, die Anwendungssparte verdoppelte sich zuletzt, und anders als reine Datenhändler verfügt Scale über jahrelang aufgebaute Prozesse und Sicherheitsfreigaben. Diese Substanz macht einen schnellen Absturz unwahrscheinlich, auch wenn die goldenen Jahre als unangefochtener Marktführer vorerst vorbei sind.
Drei Szenarien sind für die nächsten fünf Jahre denkbar. Im besten Fall steigt Scale zum führenden Anbieter für Behörden sowie Unternehmensanwendungen auf und gleicht damit den Verlust der Laborkunden aus. Im mittleren Fall schrumpft es zu einem soliden, aber kleineren Spezialisten, und im schlechtesten Fall zerrinnt der Vorsprung zwischen synthetischen Daten und agileren Rivalen zur Bedeutungslosigkeit.
Was bedeutet Scale AI für deutsche Unternehmer und Verbraucher?
Für deutsche Unternehmen ist Scale AI ein Lehrstück über Abhängigkeit: Der Einkauf von KI-Modellen bringt mittelbar die gesamte Datenlieferkette und damit deren geopolitische Risiken gleich mit. Der Fall zeigt, wie schnell ein vermeintlich neutraler Infrastrukturpartner durch einen einzigen Deal zur strategischen Belastung werden kann.
Die direkte Geschäftsbeziehung ist für den deutschen Mittelstand selten, die mittelbare dafür allgegenwärtig. Kaum ein hiesiges Unternehmen beauftragt Scale direkt, doch viele nutzen Sprachmodelle, die auf von Scale aufbereiteten Daten beruhen. Diese unsichtbare Lieferkette macht die Qualität und die Herkunft der Trainingsdaten zu einer Frage, die auch deutsche Entscheider betrifft.
Die Dringlichkeit wächst mit der Verbreitung. Nach Erhebungen des Digitalverbands Bitkom setzt inzwischen eine deutliche Mehrheit der deutschen Unternehmen generative KI ein oder plant den Einstieg, womit die Abhängigkeit von wenigen US-Modellen quer durch die Wirtschaft reicht. Je tiefer diese Werkzeuge in Angebote und Abläufe wandern, desto schwerer wiegt jede Störung in der dahinterliegenden Datenversorgung.
Aus der Abhängigkeit folgt ein konkreter Handlungsauftrag. Unternehmen, die KI ernsthaft einsetzen, sollten wissen, wessen Daten in ihren Modellen stecken, und europäische Alternativen zumindest prüfen. Der Modellbauer Mistral AI aus Frankreich zeigt, dass sich ein Teil dieser Wertschöpfung auch auf dem Kontinent halten lässt.
Für Verbraucher bleibt der Bezug abstrakter, aber real. Jede Antwort eines Chatbots beruht auf der Arbeit schlecht bezahlter Klickarbeiter, was die ethische Dimension des KI-Konsums sichtbar macht. Der bewusste Umgang mit digitalen Diensten schließt das Wissen um diese menschliche Grundlage hinter der scheinbar automatischen Technik ein.
Die regulatorische Lage gibt deutschen Firmen dabei ein Werkzeug in die Hand. Der europäische KI-Rechtsrahmen und die Datenschutz-Grundverordnung verlangen Transparenz darüber, wie Trainingsdaten entstanden sind, was die Herkunftsfrage von einer ethischen zu einer rechtlichen Pflicht macht. Diese Nachweispflicht trifft jeden, der fremde Modelle in eigene Produkte einbaut, und rückt die Lieferkette der Daten in den Fokus der Compliance.
Konkret ergeben sich daraus drei Schritte für Entscheider. In Verträgen mit KI-Anbietern gehört die Frage nach der Herkunft der Trainingsdaten zum Pflichtprogramm, dazu die Prüfung europäischer Alternativen wie des Anbieters Aleph Alpha aus Heidelberg und eine bewusste Begrenzung der Abhängigkeit von einem einzigen US-Modell. Unternehmen, die diese Sorgfalt früh einüben, stehen besser da, falls der nächste Meta-Scale-Moment eine ganze Lieferkette über Nacht entwertet.
Drei Szenarien zeichnen sich für die kommenden zwölf Monate ab. Optimistisch betrachtet entstehen in Europa tragfähige eigene Datendienste und mindern die Abhängigkeit. Realistisch bleibt die Dominanz US-amerikanischer Anbieter bestehen, und pessimistisch betrachtet zementiert der Meta-Scale-Verbund die Marktmacht weniger Konzerne, während europäische Firmen weiter zuliefern, statt selbst zu verdienen.
- Lieferkette prüfen: Wer KI-Modelle nutzt, sollte wissen, wessen Daten darin verarbeitet wurden.
- Alternativen abwägen: Europäische Anbieter mindern geopolitische Abhängigkeiten, auch wenn sie kleiner sind.
- Mensch im Blick: Hinter jeder KI-Antwort steckt bezahlte Handarbeit, deren Bedingungen zur Bewertung gehören.
Glossar: 12 wichtige Fachbegriffe zu Scale AI und dem Datengeschäft
Annotation
Annotation bezeichnet das Versehen von Rohdaten mit erklärenden Markierungen, etwa das Umranden eines Autos auf einem Foto. Für Scale AI ist die Annotation die ursprüngliche Kernleistung, weil KI-Modelle nur aus so aufbereiteten Daten lernen können.
ARR
ARR (Annual Recurring Revenue) ist der auf ein Jahr hochgerechnete, wiederkehrende Umsatz. Die Kennzahl dient bei jungen Technologieunternehmen wie Scale AI als Gradmesser für das Tempo, mit dem einzelne Sparten wie das Anwendungsgeschäft wachsen.
Bruttomarge
Bruttomarge ist der Anteil des Umsatzes, der nach Abzug der direkten Leistungskosten übrig bleibt. Scale AI nennt für sein Datengeschäft über 50 Prozent, was zeigt, wie groß die Spanne zwischen Kundenrechnung und Arbeiterlohn ausfällt.
Datenlabeling
Datenlabeling meint das systematische Kennzeichnen großer Datenmengen für das Training von KI. Der Begriff fasst von der einfachen Bildmarkierung bis zur komplexen Textbewertung alles zusammen, woraus Scale AI sein Geschäft aufgebaut hat.
Gig-Arbeit
Gig-Arbeit beschreibt kurzfristige, über Plattformen vermittelte Einzelaufträge ohne festes Anstellungsverhältnis. Die Klickarbeiter von Scale AI arbeiten in diesem Modell, was im Zentrum der Lohnklagen gegen das Unternehmen steht.
Lock-in
Lock-in bezeichnet die Bindung von Kunden an einen Anbieter, deren Wechsel hohe Kosten verursacht. Bei Scale AI entstand der Lock-in durch eingespielte Prozesse und Schnittstellen, zerbrach aber, als der Meta-Einstieg die Neutralität infrage stellte.
Minderheitsbeteiligung
Minderheitsbeteiligung ist ein Anteil unter 50 Prozent, der keine vollständige Kontrolle verleiht. Meta hält an Scale AI 49 Prozent ohne Stimmrecht, eine Konstruktion, die bewusst die klassische Fusionskontrolle umgehen soll.
Netzwerkeffekt
Netzwerkeffekt liegt vor, wenn der Nutzen eines Dienstes mit der Zahl der Teilnehmer steigt. Je mehr Klickarbeiter Scale AI bündelt, desto schneller erledigt es große Aufträge, was wiederum große Kunden anzieht.
Quersubventionierung
Quersubventionierung bedeutet, dass eine profitable Sparte eine andere mitfinanziert. Scale AI nutzt günstige Einstiegsaufträge im Labeling, um teurere Bewertungs- und Anwendungsleistungen zu verkaufen, und lässt Behördenverträge die Flaute im Laborgeschäft abfedern.
RLHF
RLHF (Reinforcement Learning from Human Feedback) ist das Training von Sprachmodellen anhand menschlicher Bewertungen. Diese Technik wurde zum Goldstandard hinter Chatbots und zum margenstärksten Zweig des Datengeschäfts von Scale AI.
Synthetische Daten
Synthetische Daten sind künstlich per Software erzeugte Trainingsdaten statt von Menschen gesammelter und beschrifteter Beispiele. Solche Daten gelten als strukturelles Risiko für Scale AI, weil sie den Bedarf an teurer Handarbeit senken können.
Take Rate
Take Rate ist der Anteil des Umsatzes, den eine Plattform von der vermittelten Leistung einbehält. Bei Scale AI beschreibt die Take Rate die Lücke zwischen dem, was Kunden zahlen, und dem, was bei den Klickarbeitern ankommt.
FAQ: Scale AI und sein Geschäftsmodell
Was macht Scale AI genau?
Scale AI bereitet Daten für das Training von KI-Modellen auf. Das Unternehmen kennzeichnet Bilder und Texte, bewertet Modellantworten und verkauft zunehmend fertige KI-Anwendungen sowie Datendienste an Behörden. Die Arbeit erledigen Hunderttausende Klickarbeiter über die Plattformen Outlier und Remotasks.
Wie viel hat Meta für Scale AI bezahlt?
Meta investierte im Juni 2025 rund 12,3 Milliarden Euro für einen Anteil von 49 Prozent und bewertete Scale AI damit mit knapp 25 Milliarden Euro. Der Anteil ist stimmrechtslos, sodass die Beteiligung die klassische Fusionskontrolle umgeht.
Warum haben Kunden Scale AI nach dem Meta-Deal verlassen?
Kunden wie Google, OpenAI und xAI fürchteten, dass ihre vertraulichen Trainingsdaten und Modellpläne nicht mehr vor dem Wettbewerber Meta sicher sind. Diese Kunden kündigten die Zusammenarbeit oder fuhren sie zurück, woraufhin der Umsatzausblick für 2026 auf etwa die Hälfte sank.
Wie verdient Scale AI sein Geld?
Scale AI zieht seine Erlöse aus vier Quellen: dem Kennzeichnen von Trainingsdaten, dem Bewerten von Modellantworten (RLHF), einem wachsenden Anwendungsgeschäft und Regierungs- sowie Rüstungsaufträgen. Die Bruttomarge im Datengeschäft liegt bei über 50 Prozent.
Wer macht die eigentliche Arbeit bei Scale AI?
Die eigentliche Arbeit leisten Klickarbeiter im globalen Süden, etwa in den Philippinen, Kenia, Nigeria und Venezuela. Diese Arbeitenden umranden Objekte, bewerten Texte und korrigieren Modellantworten zu niedrigen Stücklöhnen und sind formal selbstständig.
Was bedeutet Scale AI für deutsche Unternehmen?
Deutsche Unternehmen beauftragen Scale AI selten direkt, nutzen aber häufig Modelle, die auf dessen Daten beruhen. Der Fall mahnt, die eigene KI-Lieferkette zu kennen und europäische Alternativen wie Mistral AI zu prüfen, um geopolitische Abhängigkeiten zu mindern.
Quellen
Sacra | Scale AI revenue, valuation & funding | sacra.com/c/scale-ai | besucht am 09.09.2026
CNBC | Scale AI founder Wang announces exit for Meta, part of 14 billion deal | cnbc.com | besucht am 09.09.2026
TechCrunch | Scale AI confirms significant investment from Meta, says CEO Alexandr Wang is leaving | techcrunch.com | besucht am 09.09.2026
CNBC | Google, Scale AI largest customer, plans split after Meta deal | cnbc.com | besucht am 09.09.2026
Axios | Scale AI CEO Jason Droege: We are here and we are growing | axios.com | besucht am 09.09.2026
Forbes | Inside Scale AI business after Meta bombshell 14 billion deal | forbes.com | besucht am 09.09.2026
Computerworld | OpenAI walks away from Scale AI, triggering industry-wide rethink of data partnerships | computerworld.com | besucht am 09.09.2026
King & Siegel LLP | Scale AI pays 12.5 million over misclassification claims | kingsiegel.com | besucht am 09.09.2026
Europäische Zentralbank | Euro foreign exchange reference rates, USD | ecb.europa.eu | besucht am 09.09.2026
